现实是，我们都应该努力构建自己理想的自主同事。 Anthropic 的 Cowork 预示着一波新的代理编排工具即将到来。 这不仅仅是为了让使用 Claude Code 变得简单。 在我看来，更重要的是构建直观的界面，以便与代理进行互动、管理和编排，使其在 AI 的帮助下更高效。 在人与代理（反之亦然）之间的沟通方式上仍有创新的空间。我指的是你能想象到的每一个地方和每一个领域。 随着技能和插件的兴起，任何人都可以利用这些代理和工具构建强大的体验。你不需要具备技术背景就能颠覆和构建创造性且极其有用的技能（无论是用于工作、个人项目，还是创业）。你需要在你所处的领域有良好的品味，密切关注新兴的 AI 技术，不断实验，建立背景，并以复合思维进行构建。 前方是激动人心的时刻。是时候开始构建了！

Agentic RAG 值得吗？ RAG 系统已经从简单的检索-生成管道演变为复杂的工作流程。目前尚不清楚何时使用增强型 RAG（具有专用模块的固定管道）与 Agentic RAG（LLM 动态协调整个过程）。 这项研究提供了首次实证比较。 增强型 RAG 添加了预定义组件以解决特定弱点：路由器用于确定是否需要检索，查询重写器用于改善对齐，重排序器用于优化文档选择。工作流程是固定的，手动设计的。 Agentic RAG 采取了不同的方法。LLM 决定执行哪些操作、何时执行以及是否迭代。除了基本的知识库、检索器和生成器之外，没有额外的组件。模型控制一切。 研究人员在 QA 和信息检索任务中评估了这两种范式的四个维度。 用户意图处理：在大多数任务中，Agentic 的表现略优于增强型，但在 FEVER 上（+28.8 F1 分），增强型明显获胜，因为代理经常不必要地进行检索。 查询重写：Agentic RAG 的平均 NDCG@10 为 55.6，而增强型为 52.8，显示代理可以在有利时自适应地重写查询。 文档优化：带有重排序的增强型 RAG（49.5 NDCG@10）优于 Agentic（43.9）。专用重排序模块胜过迭代检索尝试。 Agentic RAG 对模型能力的敏感性远高于增强型 RAG。使用较弱的模型时，增强型 RAG 维持稳定，而 Agentic 的表现显著下降。 成本分析显示，Agentic RAG 由于多步骤推理需要 2-10 倍的计算时间和令牌。 在增强型和 Agentic RAG 之间的选择取决于您的限制。增强型 RAG 提供可预测性、较低的成本和在较弱模型下的稳定性。Agentic RAG 提供灵活性，但需要更强的模型和更多的计算资源。 论文： 在我们的学院学习如何构建有效的 Agentic RAG 系统：

长期任务的简单记忆解决方案。